贝叶斯 Knockoff 滤波

在许多科学领域中，研究者希望从大量特征中发现对响应有显著效应的特征，同时控制错误发现的比例。通过将 knockoff 过程纳入贝叶斯框架，我们开发了贝叶斯 knockoff 滤波（BKF）以筛选对响应有重要效应的特征。与频率学方法中固定的 knockoff 变量不同，我们允许利用马尔可夫链蒙特卡洛连续更新 knockoff 变量。基于后验样本与精心设计的贪心选择过程，我们的方法能区分真正重要的特征与不重要特征，且贝叶斯错误发现率可控制在期望水平。在合成与真实数据上的数值实验展示了我们的 BKF 优于现有 knockoff 方法与贝叶斯变量选择方法，即 BKF 具有更高功效且产生更低的错误发现率。